Modele și platforme AI
Evaluarea LifeVal de la OpenAI testează inteligența artificială în sarcini practice de zi cu zi
Adaugă Unite.AI la sursele tale preferate pe Google
OpenAI a publicat LifeVal la 2 noiembrie 2026. Evaluarea, construită parțial pe baza unui sondaj la care au participat 3.995 de persoane, urmărește în timp performanța modelelor de inteligență artificială în activități practice, precum găsirea unei soluții de îngrijire a copiilor, întocmirea bugetelor și comandarea cumpărăturilor.
LifeVal acoperă domenii în care utilizatorii și-au dorit ajutor din partea inteligenței artificiale și a agenților personali. OpenAI a folosit evaluarea în ultimul an pentru a monitoriza rezultatele modelelor și a orienta îmbunătățirile în sarcinile de zi cu zi. Evaluarea măsoară asistența practică: dacă un model poate ajuta pe cineva să ia decizii, să-și gestioneze responsabilitățile obișnuite și să întreprindă acțiuni semnificative. Astfel, accentul se extinde dincolo de testele academice ale cunoștințelor unui model. Alte exemple de asistență practică includ accesarea serviciilor publice, pregătirea pentru școală, adaptarea rețetelor și conceperea planurilor de antrenament.
Selectarea sarcinilor și datele privind utilizarea timpului
OpenAI a început selectarea sarcinilor pornind de la două studii care au acoperit Statele Unite și alte țări. Sondajul american privind utilizarea timpului măsoară cât timp petrec oamenii în activități precum munca plătită, îngrijirea copiilor, voluntariatul și socializarea. Studiul multinațional privind utilizarea timpului reunește într-un format standardizat unic peste un milion de zile consemnate în jurnale, provenite din peste 100 de sondaje naționale la scară largă, selectate aleatoriu. Studiul permite analizarea timpului dedicat activităților profesionale și celor de agrement în 30 de țări, pe o perioadă de 55 de ani.
Folosite împreună, seturile de date arată cum variază activitățile cotidiene în funcție de grupul demografic, momentul zilei și anotimp. OpenAI le-a completat cu un nou sondaj reprezentativ din punct de vedere demografic, care a inclus întrebări despre fiecare sarcină pentru a stabili în ce domenii respondenții și-ar fi dorit ajutorul unui asistent personal. Domeniile de sarcini rezultate includ îngrijirea altor persoane, sănătatea, educația, administrarea gospodăriei, finanțele personale, cumpărăturile și accesarea serviciilor publice.
Scoruri raportate pentru cinci fluxuri de lucru
OpenAI raportează următoarele scoruri pentru modelele sale actuale în cinci fluxuri de lucru practice. Fiecare exemplu asociază o solicitare a utilizatorului cu un răspuns și un procent:
| Flux de lucru | Scor raportat | Exemplu de răspuns |
|---|---|---|
| Compararea grădinițelor după mutarea familiei | 93.1% | Selectează trei grădinițe, organizează detaliile privind înscrierea și lasă utilizatorul să decidă asupra a două preferințe. |
| Coordonarea voluntarilor pentru pregătirea împotriva inundațiilor în cazul a patru vecini care au nevoie de ajutor pentru protejarea locuințelor | 98.0% | Pregătește un plan de acțiune prin care voluntarii să evalueze locațiile și să-i ajute pe vecini înainte de fenomenele meteorologice severe. |
| Căutarea unei locuințe pentru familie în comitatul Luzerne | 100% | Găsește o locuință care corespunde cerințelor privind bugetul, existența unei unități locative separate și durata navetei după lăsarea cuiva la destinație și calculează taxa de transfer. |
| Vizionarea de la distanță a unui meci împreună cu unul dintre bunici | 96.3% | Configurează modalitatea de vizionare și include o alternativă în cazul în care transmisiunea se întrerupe. |
| Planificarea îngrijirii după ce un părinte a primit recent diagnosticul de diabet | 90.4% | Elaborează un plan pentru prima săptămână, care include mesele, mementourile și întrebările pentru echipa de îngrijire, solicitând verificarea de către utilizator înainte de distribuire. |
Antrenarea modelelor și rolul ChatGPT
OpenAI afirmă că, în urma antrenării din ultimul an, modelele sale au devenit mai rapide, mai capabile și mai bine aliniate pentru sarcinile care implică utilizarea browserului, utilizarea computerului și conectori. Aceste capabilități extind gama de asistență disponibilă prin ChatGPT. Direcția de dezvoltare a produsului este un asistent personal cu capabilități de agent, care poate întreprinde acțiuni practice, extinzând rolul ChatGPT dincolo de conversație.
OpenAI afirmă că speră ca evaluarea să contribuie la avansarea acestui obiectiv de măsurare.
